KLASIFIKASI MUTU MUTIARA BERDASARKAN BENTUK DAN UKURAN MENGGUNAKAN K-NEAREST NEIGHBOR
|
|
- Susanto Atmadja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Page 93 KLASIFIKASI MUTU MUTIARA BERDASARKAN BENTUK DAN UKURAN MENGGUNAKAN K-NEAREST NEIGHBOR Ardiyallah Akbar 1, Bambang Siswojo 2, Hadi Suyono 3 Universitas Brawijaya Jln. Veteran Malang, Indonesia Ardiyallah_akbar@ymail.com Abstrak Dalam industri fashion khususnya mutiara, proses klasifikasi mutiara dilakukan secara manual dengan pengamatan visual. Hal tersebut tentu akan memakan waktu yang lama dan menghasilkan produk dengan mutu yang salah karena keterbatasan visual dan kelelahan manusia. Untuk itu dibutuhkan suatu teknologi untuk melakukan proses klasifikasi yang cepat dan akurat. Teknologi yang dapat diterapkan adalah pengolahan citra digital dan metode k-nearest neighbor. Sistem ini menggunakan beberapa proses pengolahan citra digital,seperti thereshold yaitu dengan cara memisahkah objek dan latar belakang mutiara dan selanjutnya konten yang digunakan adalah bentuk dan ukuran yang diektraksi dari citra mutiara dengan metode regionprops.hasil akhir dari sistem ini adalah mampu menentukan kelas dan kualitas mutiara. Dari data sebanyak 25 yang terdiri dari 10 mutiara kualitas A, 10 mutiara kualitas AA, dan 5 mutiara kualitas AAA. Dengan menggunakan Metode K-NN (K-Nearest Neighbor) dan nilai K=1 mampu menghasilkan tingkat akurasi mencapai 92,30%. Keywords Citra Digital,Klasifikasi Mutiara, regionprops, K- Nearest Neighbor I. PENDAHULUAN Mutiara adalah suatu benda keras yang diproduksi di dalam jaringan lunak (khususnya mantel) dari moluska hidup. Sama seperti cangkangnya, mutiara terdiri dari kalsium karbonat dalam bentuk kristal yang telah disimpan dalam lapisan-lapisan konsentris. Mutiara yang ideal adalah yang berbentuk sempurna bulat dan halus, tetapi ada juga berbagai macam bentuk lain. Mutiara alami berkualitas terbaik telah sangat dihargai sebagai batu permata dan objek keindahan selama berabad-abad, dan oleh karena itu, kata "mutiara" telah menjadi metafora untuk sesuatu yang sangat langka, baik, mengagumkan, dan berharga [1]. Mutiara pertama kali di gunakan oleh raja yunani xerxes. pada saat itu harga mutiara sama dengan harga kepala manusia, mutiara pada saat itu dipercaya sebaga jimat yang membawa keberuntungan di saat perang dan juga obat yang dapat menyembuhkan penyakit [1]. Untuk saat ini dalam proses klasifikasi masih menggunakan tenaga manusia yang dimana tenaga manusia sangat terbatas sehingga sering terjadi eror pada saat proses sortir, untuk itu dibutuhkan suatu teknologi untuk melakukan proses klasifikasi yang cepat dan akurat. Teknologi yang dapat diterapkan adalah pengolahan citra digital dan metode k-nearest neighbor. Berdasarkan analisis, metode klasifikasi pada penelitian ini menggunakan klasifikasi secara langsung menggunakan data pembelajaran untuk menentukan katagori dari data baru yang ditentukan katagorinya. Metode ini dikenal dengan nama K- Nearest Neighbor (KNN) [3]. Berbagai penelitian telah dilakukan mengenai metode K-NN. Penerapan metode K-NN pada pengolahan citra pada penyakit amandel [2]. Metode KNN memiliki tingkat akurasi yang baik dalam menentukan jenis tonsilitis atau amandel, yaitu dengan tingkat akurasi mencapai 90,625% Sedangkan pada penelitian tentang Klasifikasi jenis bakteri memberikan hasil yang baik dengan tingkat prosentase rata-rata precision 97,97% dan F-Measure 87,09% [3]. Pada penelitian yang telah dilakukan mengenai metode thresholding dan regionprops.untuk penelitian pada citra digital diantaranya adalah penelitian mengenai menditeksi marka jalan secara live video [4].Dalam penelitian tersebut sekema metode yang dihasilkan mampu melakukan proses pemisanhan antara objek dan latar belakang dengan baik, hasil dari penelitian ini adalah tentang seberapa akurat metode thresholding dan metode regionprops dalam mengidentifikasi marka jalan di saat pagi, siang, sore maupun malam hari dan menghitung jumlah marka yang teridentifikasi. Pada penelitian ini bertujuan membuat suatu alat bantu untuk klasifikasi mutiara. Ekstraksi ciri informasi mutiara adalah kerangka acuan yang dapat menunjukkan bentuk dan ukuran mutiara. Citra mutiara yang telah diambil akan diekstrasi fitur berdasarkan bentuk dan ukuran mutiara, pengklasifikasian ini berfungsi untuk membantu saat proses pemilihan mutu mutiara yang dilakukan oleh para pengrajin, dimana penelitian ini diharapkan dapat memberikan kontribusi sebagai alat bantu klasifikasi mutiara. Page 93
2 Page 94 II. METODE A. Perancangan Sistem Gambar.1 merupakan foto mutiara kuliatas A dengan Ukuran mutiara relatif kecil dan berbentuk lonjong bagian Gambar. 2 merupakan foto mutiara kulaitas AA dengan ukuran sedang dan memiliki bentuk bulat, Gambar. 3 merupakan foto mutiara kualitas AAA dimana ukurannya besar dan berbentuk bulat sempurna[6]. Gbr.1 kualitas A Gbr.2 kualitas AA Gbr. 4 sistem perekaman data mutiara Pada Proses pengambilan foto mutiara dilakukan langsung menggunakan kamera digital. Jarak pengambilan foto antara kamera dan mutiara 19,5 cm, dan pencahayaannya didapat dari 4 buah lampu led. Kemudian foto-foto tersebut disimpat untuk dijadikan data pembelajaran untuk proses klasifikasi mutu mutiara[2]. Dalam penelitian ini perangkat yang digunakan ditunjukkan pada Tabel I. TABEL.I PERANGKAT YANG DIGUNAKAN No Perangkat Spesifikasi Ket. Perangkat 1 Model sistem Emacines Hardwere 2 processor Intel dual Core Hardwere 2,1 GHz 3 Memory 2 GB Hardwere 4 Operating system Windows 10 pro Softwere 32 bit 5 Program Tool Matlab R2014 Softwere 6 Kamera Canon D MP, 5184 X 2912 Auto Focus Hardwere Gbr. 3 kualitas AAA Dari perbandingan Gambar.1,Gambar. 2, dan Gambar 3 dapat diambil ciri yang dapat digunakan dalam proses deteksi adalah bentuk dan ukuran mutiara. Dalam proses pengolahan citra digital, bagian Bentuk dan ukuran dapat di peroleh menggunakn metode regionprop yaitu mengukur sekumpulan properti properti dari setiap region yang telah dilabeli dalam matriks label. Bilangan integer positif yang merupakan elemen dari matriks berkorespondensi dengan region yang bersesuaian. Area, panjang major axis, dan panjang minor axis yang digunakan merupakan sebagian dari properti yang dihasilkan fungsi regionprops [8]. Gambar.4 menjelaskan langkah pertama yang dilakukan dalam proses pembuatan sistem yaitu pengambilan data citra mutiara yang akan dimasukkan ke dalam data ataupun data ujian sebagai acuan untuk proes klasifikasi mutiara. Fungsi dari kotak pengambilan citra adalah untuk mendapatkan citra yang seragam, pengambilan citra menggunakan kamera digital dan 4 buah lampu led yang diletakkan di atas kotak [2]. B. Metodologi Penelitian ini terbagi menjadi 4 tahapan seperti dalam Gambar 5. Tahapan penelitian meliputi pengambilan sampel citra, preprocessing, ekstraksi ciri, dan klasifikasi menggunakan K-nearest Neighbor. Pengambilan sampel mutiara dilakukan dengan mengambil citra sampel mutiara sebanyak 70 mutiara, yang terdiri dari 30 mutu A, 30 mutu AA, dan 10 mutu AAA. Tahapan preprocessing adalah mengubah citra RBG (citra asli) menjadi citra Grayscale. Setelah tahap preprocessing selanjutnya ektraksi ciri menggunakan metode regionprops. Metode regionprops yaitu salah satu metode deteksi tepi. Hasil dari ekstraksi ciri digunakan untuk menguji hasil klasifikasi menggunakan metode K- NN. Pengambilan sampel citra Preprosesing Ekstraksi ciri Klasifikasi K-NN Selsai Gbr. 5 tahapan penelitan klasifikasi mutu mutiara 1) Pengambilan Citra Mutiara Pengambilan citra mutiara dilakukan dengan menggunakan kamera digital berukuran 12 Page 94
3 Page 95 megapiksel. Sampel yang digunakan sejumlah 70 citra, yang terdiri dari 30 mutu A, 30 mutu AA, dan 10 mutu AAA. Untuk tiap mutiara diambil ke empat sisinya agar mendapatkan data yang akurat. Pengambilan citra dengan jarak 19,5 cm dari kamera dengan menggunakan background berwarna hijau dan menggunakan 4 buah lampu led dengan daya 10 watt yang dipasang di kiri dan kanan obyek dengan jarak 15 cm. 2) Preprosesing Pada tahapan ini proses preprosesing dilakukan sebelum melakukan ekstraksi ciri. Tahapan yang dilakukan adalah mencari nilai rata-rata RGB, kemudian mengubah citra RGB menjadi grayscale untuk mencari nilai derajat keabuan. Contoh mutiara RGB dan grayscale seperti dalam Gambar 6.[5] Citra Mutiara Apakah L berkorespondensi dengan Area, Panjang Major Axis, Panjang Minor Axis Ya Menentukan Titik Centroid Tidak Selesai Gbr. 6 Citra mutiara asli dan grayscale Gbr. 8 flowchart dari metode Regionprops 3) Ekstraksi Ciri Pada peroses ini foto mutiara diambil ciri atau parameter yang akan digunakan pada Proses deteksi citra mutiara untuk klasifikasinya. Informasi ciri seperti yang roundness, area, perimeter dan diameter dari mutiara termasuk dalam karakteristik morfologi. Ditunjukkan pada gambar 7, terdapat beberapa komponen parameter yang akan diekstrak berdasarkan ciri morfologi yaitu Area, Perimeter, Roundness, dan Diameter [3]. 4) Klasifikasi Data dibagi menjadi data pembelajaran dan pengujian dengan porsi masing-masing 80% dan 20%. Pada tahap ini dilakukan pengujian yang terdiri dari data uji dan data terhadap beberapa jenis mutiara berdasarkan ciri yang sudah diekstrak sebelumnya menggunakan K-Nearest Neighbor (KNN). Sehingga representasi feature vectornya atau adalah (Area, Perimeter, Roundness, Diameter) [3]. Citra Segmented Area Perimeter Diameter Roundness Selesai Gbr. 7 alur ekstraksi ciri Proses selanjutnya adalah menentukan titik tengah citra mutiara, untuk memudahkan proses deteksi item citra mutiara dengan metode Regionprops. Berikut adalah flowchart dari metode Regionprops Page 95
4 Page 96 Citra Preprosesing Ekstraksi ciri Ciri data Pengumpulan citra data Kumpulan citra data Selai (a) Citra uji Preprosesing Ekstraksi ciri Klasifikasi K-NN Hasil klasifikasi selasai Gbr. 9 flowchart proses identifikasi data (a) dan data uji (b) [2]. (b) Pada Gambar. 9 pada flowchart (a) merupakan proses untuk memperoleh data ciri mutiara yang, sedangkan flowchart (b) adalah proses pengujian dengan membandingkan data pada data uji. Berikut penjelasan mengenai flowchart pada Gambar. 9 : 1) Pengambilan, proses pengambilan data citra kedalam sistem yang telah dibuat. Baik pada saat sistem di data ataupun di data uji.[2]. Foto mutiara diperoleh dengan memfoto langsung menggunakan kamera pada 70 mutiara yang terdiri dari 30 mutiara kualitas A, 30 kualitas mutiara AA, dan 10 mutiara kualits AAA, untuk tiap mutiara di ambil ke empat sisi mutiara agar mendapat akuraasi bentuk citra yang akurat. Total data yang digunakan dalam penelitian ini adalah 70 data citra mutiara yang dibagi menjadi 25 data uji dan 15 data pengujian pada setiap kelasnya.dan data-data tersebut telah diverifikasi kebenarannya oleh pakar mutiara.[2]. 2) Pre-processing, Pada tahap ini dilakukan proses mengubah citra digital menjadi citra grayscale agar bisa dilakuakn proses pemisahan objek dan latar belakang menggunakan metode therholding yang kemudian diubah kedalam bentuk citra biner (hitam dan putih) agar proes morfologi (menghilangkan noise citra)[2],[3] 3) Ekstraksi ciri, pada tahap ini proses ekstraksi ciri menggunakan metode regionprops yaitu dengan menghitung properti-properti citra seperti bentuk dan ukuran mutiara yaitu dengan menghitung nilai panjang major axis dan minor axis.[3] Hasil ekstraksi cirinya adalah cita mutiara yang memiliki bentuk dan ukuran.sebelum dicari nilai-nilai ekstraksi cirinya pertama-tama dilakukan pemisahan data menjadi tiga kelas yaitu kelas mutiara A, mutiara AA, dan mutiara AAA. Kemudian data ciri masing-masing kelasnya yang diperoleh pada proses pean dikumpulkan terlebih dahulu sebagai data uji yang nantinya akan digunakan sebagai acuan pembanding dengan hasil ekstraksi ciri dari proses pengujian [2]. 4) Klasifikasi, pada proses ini klasifikasi dilakukan pada data uji, dimana hasil ekstraksi ciri yang diperoleh dari data ujia dibandingkan dengan data. Karena metode klasifikasi yang digunakan mengu nakan metode k-nn maka dilakukan proses pengaturan nilai ketetanggaan (k) dan penggunaan rumus jarak Euclidean Distance. Jarak terdekat dengan data suatu kelas yang diperoleh akan dijadikan sebagai acuan penentu data uji. Data uji tersebut akan masuk kedalam kelas mana begitu juga hasil yang akan dikeluarkan [2]. Penetuan kelas dilakukan dengan voting mayoritas sederhana yaitu dengan membandingkan jumlah kelas dalam sejumlah k data terdekat dengan data uji. Ukuran kedekatan data diuji dengan rumus jarak. Berikut adalah rumus jarak yang digunakan: Euclidean Distance, dengan rumus [2].: (1) Dimana : - L(X,Y) adalah jarak koordinat data uji dan data - Xi merupaka nilai absis ciri ke i. - Yi adalah nilai koordinat ciri ke i. - d adalah jumlah keseluruhan data ciri yang akan dicari jarak kedekatannya [2]. III. HASIL DAN PEMBAHASAN A. Sistem Klasifikasi Pada penelitian ini, dilakukan pengujian sistem dengan mengambil citra mutiara yang memiliki bentuk dan ukuran yang berbeda-beda. Gambar.10 memperlihatkan salah satu hasil klasifikasi pengujian sistem yang mengunakan tahapan-tahapan dalam penelitian ini. Dan diperoleh Page 96
5 Page 97 hasil deteksi kualiatas mutiara setelah dilakukan proses klasifikasi menggunakan K-Nearest Neighbor. Pada penelitian ini, dilakukan pemilihan nilai (k) dan rumus jarak euclidean distance pada metode klasifikasi K-NN. Pada tabel 2 diperlihatkan hasil klasifikasi mutiara yang diperoleh dari hasil sistem deteksi bentuk dan ukuran mutiara dengan merubah nilai K pada klasifikasi k-nn. Pemilihan ketetanggaan hanya pada nilai 1, 3, dan 5 dikarenakan jumlah data per kelasnya hanya 10 buah data [2]. AA % AAA % Pada tabel III Hasil verifikasi dan klasifikasi mutiara dengan nilai ketetanggaan K=1 diperoleh tingkat akurasi terbaik mencapai 92,30% Hal ini menandakan bahwa dengan nilai k yang kecil tingakat akurasi akan maksimal. Sehingga, dalam sistem simulasinya parameter k=1 sebagai acuan klasifikasi mutu mutiara. IV. KESIMPULAN Pada penelitian ini, klasifikasi mutiara berdasarkan bentuk dan ukuran yang dicari dengan metode regionprops dan metode K-Nearest Neighbor sebagai metode klasifikasi. Dengan menggunakan rumus jarak euclidean distance dan nilai ketetangga k=1. Mengahasilkan tingkat akurasi sebesar 92,30%. Pengujian dilakukan terhadap 25 foto mutiara yang terdiri dari 10 foto mutiara mutu A, 10 mutiara mutu AA, dan 5 foto mutiara AAA. Gbr.10 hasil proses klasifikasi mutiara TABEL II HASIL AKURASI KLASIFIKASI K-NN Nilai ketetanggaan K Euclidean distance 1 92,30% 3 89,41% 5 74,69% Rata rata 85,46% Pada Tabel II hasil akurasi terbaik yang diperoleh pada nilai ketetanggan K=1. TABEL III HASIL VERIFIKASI DATA KLASIFIKASI MUTIARA DENGAN KETETANGGAN K=1 Klasifikasi Hasil validasi oleh pakar Hasil klasifikasi benar dari sistem Akurasi (%) A ,33% REFERENSI [1] Wikipedia (View Feb 2017) Mutiara. [Online]. Available: [2] Lanang Prasetya S. M Simulasi Deteksi Tonsilitis Menggunakan Pengolahan Citra Berdasarkan Warna Dan Luasan Pada Tonsil,JNTETI,Vol. 4,No [3] Ihsan Klasifikasi Dan Identifikasi Jumlah Koloni Pada Citra Bakteri Dengan Metode K- Nearest Neighbor,MATICS,Vol. 8, No [4] Panarama C J Implementasi Metode Thresholding Dan Metode Regioprops Untuk Mendeteksi Marka Jalan Secara Live Video.Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas Dian Nuswanto Semarang [5] Mulyanto,E., Suhatrono, V., Wijanarto Teori Pengolahan Citra Digital, Semarang, Universitas Nurwantoro, Andi J [6] P. Cunningham, S. J. Delany, K-Nearest Neighbour Classifiers, Tecnical Report UCSD-CSI vol. 4,pp. 1-2, [7] Murinto., Harjoko A Segmentasi Citra Menggunakan Watershed Dan Intensitas Filtering Sebagai Pre Processing. Seminar Nasional Informatika. Universitas Gajah Mada. [8] Evan s Blog (View Feb 2017) Buku TA Region Propertis [Online].Availble: Page 97
Pengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour. Yustar Pramudana
Pengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour Yustar Pramudana Program Studi Teknik Informatika, Departemen Informatika Telkom University Jl. Telekomunikasi
Lebih terperinciPENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
PENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Eko Subiyantoro, Yan Permana Agung Putra Program Studi Teknik
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciFAKULTAS TEKNIK (FT) PROGRAM TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI 2016
DETEKSI KEMUNCULAN BULAN SABIT MENGGUNAKAN METODE CIRCULAR HOUGH TRANSFORM ARTIKEL Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinci3.2.1 Flowchart Secara Umum
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam aplikasi menghilangkan derau
Lebih terperinciIDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA
IDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA IMAM SUBEKTI 2209106021 Dosen Pembimbing: Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng. Dr. I Ketut Eddy Purnama, ST, MT. Latar
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Metode Perancangan Perancangan sistem didasarkan pada teknologi computer vision yang menjadi salah satu faktor penunjang dalam perkembangan dunia pengetahuan dan teknologi,
Lebih terperinciPengenalan Objek Berdasarkan Warna Merah Menggunakan Metode Subtraction dan Blobanalysis Pada Canal Rgb Melalui Real-Time Video
Pengenalan Objek Berdasarkan Warna Merah Menggunakan Metode Subtraction dan Blobanalysis Pada Canal Rgb Melalui Real-Time Video Abstrak Mochamad Faisol Baharun¹, T.Sutojo, SSi., M.Kom² Program Studi S1
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Model Pengembangan Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi fitur yang terdapat pada karakter citra digital menggunakan metode diagonal
Lebih terperinciSISTEM IDENTIFIKASI CITRA JENIS KUNYIT (Curcuma Domestica Val.) MENGGUNAKAN METODE KLASIFIKASI MINKOWSKI DISTANCE FAMILY
SISTEM IDENTIFIKASI CITRA JENIS KUNYIT (Curcuma Domestica Val.) MENGGUNAKAN METODE KLASIFIKASI MINKOWSKI DISTANCE FAMILY 1 Devi Puspita Sari (08018272), 2 Abdul Fadlil (0510076701) 1 Program Studi Teknik
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciPerancangan Sistem Identifikasi Barcode Untuk Deteksi ID Produk Menggunakan Webcam
Perancangan Sistem Identifikasi Barcode Untuk Deteksi ID Menggunakan Webcam Albert Haryadi [1], Andrizal,MT [2], Derisma,MT [3] [1] Jurusan Sistem Komputer Fakultas Teknologi Informasi Universitas Andalas,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari
48 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari 2012. Pembuatan dan pengambilan data dilaksanakan di Laboratorium
Lebih terperinciBAB III PERANCANGAN SISTEM. Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut sudah terintegrasi dengan komputer, dengan terintegrasinya sistem tersebut
Lebih terperincipbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI uji coba terhadap program aplikasi pengenalan plat nomor kendaraan roda empat ini,
pbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI Bab ini berisi penjelasan tentang implementasi sistem meliputi kebutuhan perangkat lunak dan perangkat keras yang digunakan untuk melakukan perancangan
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciSEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 )
SEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 ) Pramuda Akariusta Cahyan, Muhammad Aswin, Ir., MT., Ali Mustofa, ST., MT. Jurusan
Lebih terperinciKLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS
KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS Sigit Sugiyanto*, Feri Wibowo Program Studi Teknik Informatika
Lebih terperinciKlasifikasi dan Identifikasi Jumlah Koloni Pada Citra Bakteri Dengan Metode K-Nearest Neighbor
MATICS : Jurnal Ilmu Komputer dan Teknologi Informasi ISSN : 1978-161X(p); 2477-2550(e) Volume 8, No. 2 (2016), pp 78-82 DOI : 10.18860/mat.v8i2.3723 Received : October 24 th 2016; Accepted : October 28
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Pada penelitian tugas akhir ini ada beberapa tahapan penelitian yang akan dilakukan seperti yang terlihat pada gambar 3.1 : Mulai Pengumpulan Data Analisa
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciFitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan
Fitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak
Lebih terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciIMPLEMENTASI METODE THRESHOLDING DAN METODE REGIONPROPS UNTUK MENDETEKSI MARKA JALAN SECARA LIVE VIDEO
IMPLEMENTASI METODE THRESHOLDING DAN METODE REGIONPROPS UNTUK MENDETEKSI MARKA JALAN SECARA LIVE VIDEO Christoper Johan Pramana¹ ¹Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas Dian
Lebih terperinciPENGKONVERSIAN IMAGE MENJADI TEKS UNTUK IDENTIFIKASI PLAT NOMOR KENDARAAN. Sudimanto
Media Informatika Vol. 14 No.3 (2015) Abstrak PENGKONVERSIAN IMAGE MENJADI TEKS UNTUK IDENTIFIKASI PLAT NOMOR KENDARAAN Sudimanto Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda
Lebih terperinciPENDETEKSI TEMPAT PARKIR MOBIL KOSONG MENGGUNAKAN METODE CANNY
PENDETEKSI TEMPAT PARKIR MOBIL KOSONG MENGGUNAKAN METODE CANNY Minati Yulianti 1, Cucu Suhery 2, Ikhwan Ruslianto 3 [1] [2] [3] Jurusan Sistem Komputer, Fakultas MIPA Universitas Tanjungpura Jl. Prof.
Lebih terperinciPengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciIdentifikasi Sel Darah Berbentuk Sabit Pada Citra Sel Darah Penderita Anemia
Identifikasi Sel Darah Berbentuk Sabit Pada Citra Sel Darah Penderita Anemia Imam Subekti, I Ketut Eddy Purnama, Mauridhi Hery Purnomo. Jurusan Teknik Elektro FTI - ITS Penelitian ini mengidentifikasi
Lebih terperinciJurnal Electronics, Informatics, and Vocational Education (ELINVO), Volume 1, Nomor 3, November 2016
PENGOLAHAN CITRA UNTUK IDENTIFIKASI TELUR BERDASARKAN UKURAN Syahrul Awalludin Sidiq, Dessy Irmawati Prodi Teknik Elektronika, Jurusan Pendidikan Teknik Elektronika FT UNY Email: syahrul.awalludin@yahoo.com
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Darah di dalam tubuh manusia memiliki fungsi yang sangat penting sebagai alat untuk transportasi oksigen dan zat-zat yang dibutuhkan oleh tubuh. Darah merupakan cairan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
1 BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Indonesia merupakan negara berkembang yang memiliki jumlah penduduk yang cukup banyak. Menurut hasil sensus penduduk tahun 2010 yang dikeluarkan
Lebih terperinciDeteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity
54 Integer Journal, Vol 1, No 1, Maret 2016: 54-59 Deteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity Hendro Nugroho Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui tahapan awal didalam sebuah sistem pendeteksian filter sobel. Didalam aplikasi filter sobel ini
Lebih terperinciPenentuan Stadium Kanker Payudara dengan Metode Canny dan Global Feature Diameter
Penentuan Stadium Kanker Payudara dengan Metode Canny dan Global Feature Diameter Metha Riandini 1) DR. Ing. Farid Thalib 2) 1) Laboratorium Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian menjelaskan bagaimana langkah-langkah atau tahapantahapan yang akan dilakukan dalam penelitian untuk dapat menjawab rumusan masalah penelitian. Tahapan
Lebih terperinciTEKNIK PENGOLAHAN CITRA MENGGUNAKAN METODE KECERAHAN CITRA KONTRAS DAN PENAJAMAN CITRA DALAM MENGHASILKAN KUALITAS GAMBAR
TEKNIK PENGOLAHAN CITRA MENGGUNAKAN METODE KECERAHAN CITRA KONTRAS DAN PENAJAMAN CITRA DALAM MENGHASILKAN KUALITAS GAMBAR Zulkifli Dosen Tetap Fakultas Ilmu Komputer Universitas Almuslim Email : Zulladasicupak@gmail.com
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Batik Besurek 2.1.1 Sejarah Batik Besurek Bengkulu Kain Batik Besurek merupakan salah satu bentuk batik hasil kerajinan tradisional daerah Bengkulu yang telah diwariskan dari
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciPELACAKAN LEVEL KETINGGIAN AIR BERDASARKAN WARNA DENGAN BACKGROUND SUBSTRACTION
PELACAKAN LEVEL KETINGGIAN AIR BERDASARKAN WARNA DENGAN BACKGROUND SUBSTRACTION Adhadi Kurniawan 1), I Wayan Mustika 2), dan Sri Suning Kusumawardani 3) 1),2), 3) Laboratorium Sistem Elektronis, Jurusan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciIII METODOLOGI PENELITIAN
13 III METODOLOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam lima tahapan utama, yaitu ekstraksi frame video, ekstraksi fitur SIFT dari seluruh frame, pembentukan kantong kata visual
Lebih terperinciSimulasi Deteksi Tonsilitis Mengunakan Pengolahan Citra Digital Berdasarkan Warna dan Luasan pada Tonsil
JNTETI, Vol.4, No.1, Februari 2015 45 Simulasi Deteksi Tonsilitis Mengunakan Pengolahan Citra Digital Berdasarkan Warna dan Luasan pada Tonsil Sang Made Lanang Prasetya 1, Achmad Rizal 2, I Nyoman Apraz
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan negara yang terdiri dari banyak ragam suku dan budaya. Masing-masing daerah mempunyai keunikannya tersendiri. Keunikan tersebut disalurkan dalam
Lebih terperinciPENGUKURAN KECEPATAN OBYEK DENGAN PENGOLAAN CITRA MENGGUNAKAN METODE THRESHOLDING SKRIPSI. Disusun Oleh : Hery Pramono NPM.
PENGUKURAN KECEPATAN OBYEK DENGAN PENGOLAAN CITRA MENGGUNAKAN METODE THRESHOLDING SKRIPSI Disusun Oleh : Hery Pramono NPM. 0434010389 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS
Lebih terperincicorak lukisan dengan seni dekorasi pakaian, muncul seni batik tulis seperti yang kita kenal sekarang ini. Kain batik merupakan ciri khas dari bangsa I
Pembuatan Perangkat Lunak Untuk Menampilkan Deskripsi Mengenai Batik dan Pola Citra Batik Berdasarkan Segmentasi Objek Maulana Sutrisna, maulanasutrisna@gmail.com Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciMempelajari dasar-dasar teori dan mengumpulkan referensi yang berhubungan dengan batubara, jenis batubara, metode ekstraksi ciri Discrete Wavelet
BAB 1 PENDAHULUAN 1.1 Latar Belakang Batubara adalah bahan bakar fosil yang dapat terbakar, terbentuk dari endapan batuan organik yang terutama terdiri dari karbon, hidrogen dan oksigen. Batubara terbentuk
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sistem parkir khususnya untuk parkir mobil di tempat-tempat pusat perbelanjaan di Indonesia pada umumnya sudah menerapkan sistem otomatis. Setiap mobil yang
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROGRAM PENGOLAHAN CITRA BIJI KOPI Citra biji kopi direkam dengan menggunakan kamera CCD dengan resolusi 640 x 480 piksel. Citra biji kopi kemudian disimpan dalam file dengan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: PC dengan spesifikasi: a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS
ALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS Egi Badar Sambani 1), Neneng Sri Uryani 2), Rifki Agung Kusuma Putra 3) Jurusan Teknik Informatika,
Lebih terperinciIDENTIFIKASI OBYEK PISAU PADA CITRA X-RAY DI BANDARA
IDENTIFIKASI OBYEK PISAU PADA CITRA X-RAY DI BANDARA Isturom Arif 1, I Ketut Eddy Purnama 2, Moch Hariadi 3 1,2,3 Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciIdentifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ)
Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ) Sutarno Rouzan Fiqri Abdullah Rossi Passarella Jurusan Sistem
Lebih terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector
BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian,
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciSISTEM IDENTIFIKASI KODE TANGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN BACKPROPAGATION
SISTEM IDENTIFIKASI KODE TANGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN BACKPROPAGATION Holisah, Prihastuti Harsani dan Arie Qur ania holisah62@gmail.com Jurusan Ilmu Komputer, Fakultas Matematika
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciPENGEMBANGAN APLIKASI PERHITUNGAN JUMLAH OBJEK PADA CITRA DIGITAL DENGAN MENGGUNAKAN METODE MATHEMATICAL MORPHOLOGY
PENGEMBANGAN APLIKASI PERHITUNGAN JUMLAH OBJEK PADA CITRA DIGITAL DENGAN MENGGUNAKAN METODE MATHEMATICAL MORPHOLOGY DAN TEKNIK CONNECTED COMPONENT LABELING Oleh I Komang Deny Supanji, NIM 0815051052 Jurusan
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bertambahnya jumlah mahasiswa dari tahun ke tahun di IT Telkom mengakibatkan semakin banyak buku buku Tugas Akhir yang dibuat. Dengan semakin banyaknya buku
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL
PENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL Silviana Utari, Tjut Awaliyah, M.Kom, Irma Anggraeni, M.Kom
Lebih terperinciDAFTAR ISI. DAFTAR ISI... vii. DAFTAR GAMBAR... x. DAFTAR TABEL... xii I. PENDAHULUAN Latar Belakang Rumusan Masalah...
DAFTAR ISI Halaman DAFTAR ISI... vii DAFTAR GAMBAR... x DAFTAR TABEL... xii I. PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah... 2 1.3 Batasan Masalah... 2 1.4 Tujuan... 3 1.5 Manfaat...
Lebih terperinciUJI COBA PERBEDAAN INTENSITAS PIKSEL TIAP PENGAMBILAN GAMBAR. Abstrak
UJI COBA PERBEDAAN INTENSITAS PIKSEL TIAP PENGAMBILAN GAMBAR Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak Kebutuhan binarisasi
Lebih terperinciBAB II. Computer vision. teknologi. yang. dapat. Vision : Gambar 2.1
BAB II LANDASAN TEORI Computer vision adalah bagian dari ilmu pengetahuan dan teknologi yang membuat mesin seolah-olah dapat melihat. Komponen dari Computer Vision tentunya adalah gambar atau citra, dengan
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Citra atau gambar merupakan salah satu komponen penting dalam dunia multimedia karena memiliki peranan penting dalam hal menyajikan suatu informasi dalam bentuk gambar
Lebih terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinciTRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION
TRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION Indra Pramana, M Zen Hadi Samsono, Setiawardhana Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinciHASIL DAN PEMBAHASAN. Data
dengan menggunakan model Bayesian Network. Nilai kemiripan dapat dihitung dengan Persamaan 21. P(I j Q)=n[1-(1-P(CS j CS)) x(1-p(ct j CT))] (21) dengan n adalah jumlah citra pada basis data, P(CS j CS)
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciDesain dan Implmentasi Color Code untuk Verifikasi Nomor Kendaraan Bermotor pada Sistem Parkir
Desain dan Implmentasi Color Code untuk Verifikasi Nomor Kendaraan Bermotor pada Sistem Parkir Noerdityo Iswanto 1), Koredianto Usman 2) Ledya Novamizanti 3) Program Studi Telekomunikasi, Institut Teknologi
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1725
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1725 DETEKSI KUALITAS DAN KESEGARAN TELUR AYAM BERBASIS DETEKSI OBJEK TRANSPARAN DENGAN METODE DISCRETE COSINE TRANSFORM (DCT)
Lebih terperinciSISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE
SISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE Bagus Aditya *), Achmad Hidayatno, and Ajub Ajulian Zahra Jurusan Teknik Elektro, Universitas Diponegoro Semarang
Lebih terperinciSEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD
SEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD Murinto, Resa Fitria Rahmawati Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Fenomena masyarakat dalam berlalu lintas terutama mengerti dan menaati rambu lalu lintas sekarang ini semakin berkurang, karena hal inilah banyak sekali kecelakaan
Lebih terperinciJl. Nakula 1 No. 5-11, Jawa Tengah Telp : (024) , 2
PERBANDINGAN ALGORITMA PERHITUNGAN JARAK MENGGUNAKAN ECUILDEAN DAN MANHATTAN DISTANCE PADA K-NEAREST NEIGHBOR GUNA KLASIFIKASI CITRA JENIS MOBIL RODA EMPAT Erlangga Fery Anggriwan 1,DR. Pulung Nurtantio
Lebih terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciDETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI
DETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI Marina Gracecia1, ShintaEstriWahyuningrum2 Program Studi Teknik Informatika Universitas Katolik Soegijapranata 1 esthergracecia@gmail.com,
Lebih terperinciPENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI
PENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI Nama Mahasiswa : Yuliono NRP : 1206 100 720 Jurusan : Matematika Dosen Pembimbing : Drs. Soetrisno, M.IKomp
Lebih terperinciRepresentasi Citra. Bertalya. Universitas Gunadarma
Representasi Citra Bertalya Universitas Gunadarma 2005 Pengertian Citra Digital Ada 2 citra, yakni : citra kontinu dan citra diskrit (citra digital) Citra kontinu diperoleh dari sistem optik yg menerima
Lebih terperinci